Diplomado en Inteligencia Artificial con Deep Learning
Objetivo General
Desarrollar competencias en el diseño, implementación y evaluación de modelos de Deep Learning. Al finalizar el programa, los participantes serán capaces de aplicar técnicas de aprendizaje profundo para resolver problemas complejos en diversas áreas, utilizando herramientas y metodologías actuales. Este conocimiento permitirá a los estudiantes integrar soluciones basadas en Deep Learning en sus proyectos profesionales y académicos, potenciando su capacidad para innovar y mejorar procesos mediante el uso de inteligencia artificial.
Objetivos específicos
- Comprender los Fundamentos del Deep Learning: Adquirir conocimientos básicos sobre redes neuronales y su funcionamiento.
- Desarrollar Habilidades Prácticas: Aplicar técnicas de Deep Learning utilizando herramientas y bibliotecas como TensorFlow y PyTorch.
- Implementar Modelos Avanzados: Diseñar, entrenar y evaluar redes neuronales convolucionales (CNN), recurrentes (RNN) y autoencoders.
- Resolver Problemas Reales: Utilizar modelos de Deep Learning para abordar problemas prácticos en áreas como el procesamiento de imágenes, reconocimiento de voz y análisis de texto.
- Optimización y Regularización: Aplicar técnicas de optimización y regularización para mejorar el rendimiento de los modelos.
- Análisis de Big Data: Manejar y analizar grandes volúmenes de datos utilizando técnicas de Deep Learning.
- Proyectos Integradores: Desarrollar un proyecto final que demuestre la aplicación práctica de los conocimientos adquiridos durante el curso.
Justificación
El diplomado "Inteligencia Artificial con Deep Learning" está diseñado para proporcionar una comprensión sólida y práctica de las técnicas de Deep Learning. A lo largo del curso, los participantes explorarán cómo estas tecnologías están revolucionando diversas industrias. Con un enfoque en aplicaciones prácticas y un equilibrio entre teoría y práctica, este diplomado ofrece a los estudiantes la oportunidad de adquirir habilidades valiosas y actualizadas, sin necesidad de conocimientos técnicos avanzados previos. Únete y descubre cómo el Deep Learning puede transformar tu carrera y tus proyectos.
Fecha de inicio: 24 de febrero de 2025
Fecha de finalización: 24 de mayo de 2025
Metodología: Clases teóricas/prácticas
Modalidad: Virtual Sincrónico
Horario: Lunes y viernes de 6:00 pm a 9:00 pm
Duración: 96 hrs (48 hrs docencia directa / 48 hrs trabajo independiente)
Para mayor información contáctate con:
- Ana María Espinel
- Celular: 3102331368
- Correo: ana.espinel1@unisabana.edu.co
2'625.000
¡Conoce nuestros descuentos disponibles!
- Descuento estudiante pregrado o posgrado de la Universidad: 15%
- Descuento conyúgue e hijos de graduado de pregrado y posgrado: 10%
- Descuento graduado: 15%
- Descuento empleado Universidad de La Sabana: 50%
- Descuento empleados ASPAEN: 50%
- Descuento familiar empleado: 30%
- Descuento pronto pago: 10%
- Descuento grupos 5 o más personas: 15%
- Descuento grupos 10 o más personas: 20%
Santiago Toledo Cortés
Matemático (BSc, 2013), Master en Ciencias en Matemática Aplicada (MSc, 2016), y Doctor en Ingeniería de Sistemas y Computación (Ph.D., 2024) de la Universidad Nacional de Colombia. Investigador visitante en la Universidad de Artes y Ciencias Aplicadas de Suiza Occidental (HES-SO Valais/Wallis, 2021). Actualmente Profesor Asistente de la Facultad de Ingeniería de la Universidad de La Sabana. Su investigación se centra en el desarrollo de modelos de aprendizaje automático basados en aprendizaje profundo como mecanismos de apoyo al diagnóstico utilizando imágenes médicas y datos clínicos. También se dedica a la investigación teórica sobre el desarrollo de modelos de aprendizaje automático cuántico, contribuyendo a la fundamentación teórica de estos algoritmos. Galardonado con el Premio a la Excelencia Académica durante cuatro años consecutivos (2008-2011), Beca Asistente Docente para estudios de maestría y doctorado (2013, 2020), y Premio a la Investigación de Google para América Latina (Google LARA 2019).
Jorge Castellanos
Maestría en Automatización Industrial y Pregrado en Ingeniería Mecatrónica, Universidad Nacional de Colombia.
Experiencia en automatización de sistemas de acueductos de agua potable en Cundinamarca y Valle del Cauca. Coordinador de mantenimiento de equipos de laboratorios en el ICA. Actualización tecnológica de equipos de laboratorios en universidades. Proyecto de transformación energética en áreas apartadas y vulnerables.
Primera parte: Machine Learning
- Introducción al Aprendizaje de Máquina en Python: entornos de ejecución, librerías, Google Colab.
- Configuración experimental del Aprendizaje de Máquina.
- Preprocesamiento de Datos.
- Procesamiento de Lenguaje Natural.
- Aprendizaje de Máquina Supervisado.
- Métricas de Desempeño.
- Métodos de Clasificación y Regresión.
- Aprendizaje de Máquina No Supervisado.
- Métricas de Desempeño.
- Métodos de Agrupamiento.
- Reducción de Dimensionalidad.
Segunda parte: Deep Learning
- Introducción al Deep Learning.
- Modelamiento con Tensorflow y Keras.
- Visión por Computadora.
- Redes Neuronales Convolucionales.
- Métodos de Segmentación e Identificación de Objetos.
- Modelos de Lenguaje.
- Redes Neuronales Recurrentes.
- Transformers.
- Autoencoders.
- Deep Learning no supervisado.
¡Escríbenos y resuelve tus dudas!
